Design und Analyse von Experimenten

Organisatorisches

Semester: Wintersemester 2023/24
Studiengänge: Betriebswirtschaftslehre Master, Wirtschaftsinformatik Master
Umfang: 2 SWS/3 CPs
Prüfung: Hausarbeit/Präsentation
Datum/Zeit: Präsenz Veranstaltung

  • 24.01.2024 (C3.1, 1.02)
  • 25.01.2024 (C3.1, 1.02)
  • 26.01.2024 (C3.1, 3.01)
  • siehe LSF

Ansprechpartner: elena.banowitz(at)uni-saarland.de
Anmeldung: Anmeldungen bitte per E-mail an elena.banowitz(at)uni-saarland.de bis Ende Dezember 2023
Begrenzte Teilnehmerzahl: 20

Inhalt

Dieser Kurs ist für Master- und Promotionsstudenten gedacht, die vorhaben experimentelle und quasi-experimentelle Forschung im Bereich Betriebswirtschaftslehre (z.B. Marketing oder organisatorisches Verhalten) und verwandten Disziplinen (z.B. Psychologie) durchzuführen. 

Experimentalforschung ist eine übliche Methode innerhalb der Betriebswirtschaft, die speziell dazu dient um Konsumentenverhalten zu untersuchen. Unter Experimentalforschung versteht man eine Sammlung von Techniken, bei denen verschiedene Manipulationsarten verwendet werden, um kausale Beziehungen zu testen. Üblicherweise werden eine oder mehrere unabhängige Variablen manipuliert um ihre Effekte auf die abhängigen Variablen zu bestimmen. 

Der Kurs gibt einen Überblick über die Grundlagen der Experimentalforschung. Dies beinhaltet die Definition eines Forschungsproblems, die Transformation des Problems in eine Hypothese und die darauffolgende Entwicklung eines passenden experimentellen Designs sowie einer passenden Stichprobe. 

Für das erfolgreiche Bestehen des Kurses müssen die Studenten eine Hausarbeit schreiben. Im Rahmen der Hausarbeit ist es die primäre Aufgabe ein Experimentaldesign zu entwickeln, dass entweder auf einem selbstgewählten Thema oder auf einer zugewiesenen Forschungsfrage basiert. Außer der Datensammlung sollen sämtliche Schritte innerhalb eines kurzen Forschungsartikels vorgestellt und diskutiert werden (schriftliche Ausarbeitung). Der Aufbau des Artikels könnte dabei wie folgt aussehen: 

  1. Einführung zu dem Problem – Warum sollte man sich damit näher beschäftigen?
  2. Kurze Beschreibung von bisherigen Studien in diesem Bereich
  3. Methodik
  4. Analyse der Daten
  5. Antizipierte Ergebnisse

Download

Vorlesungsskript WS23/24

Datensätze

Vorlagen

Literatur

Lernziele

Das primäre Ziel des Kurses ist es die Studenten mit verschiedenen Konzepten und Werkzeugen vertraut zu machen, um experimentelle Daten zu erheben und zu analysieren. Das sekundäre Ziel ist es den Studenten die Grundlagen für die methodische Evaluation anderer Arbeiten von Verhaltensforschern zu vermittlen. 

Im Kurs wird das experimentelle Design und die Analyse aus der Sicht eines Verhaltensforscher betrachtet und nicht aus der eines Statistikers. Daher liegt der Schwerpunkt auf der sinnvollen Verwendung von Datensammlungsmethoden und Analysetechniken für einen präzisen (i.S. von publizierbaren) Theorietest. Obwohl statistische Konzepte umfassend behandelt werden (um sicherzustellen, dass die Prozeduren und Techniken sinnvoll angewandt werden), ist jedoch die statistische Theorie per se nicht im Fokus.

Zusätzlich zu den obengenannten Zielen, bietet der Kurs den Studenten die Möglichkeit vorgefertigte Datensätze zu analysieren und sich mit SPSS auseinanderzusetzen. Hierbei handelt es sich um ein weitverbreitetes statistisches Programm für die Bearbeitung und Analyse von Daten. Am Ende des Kurses sollten die Studenten mit den Grundfunktionen von SPSS vertraut sein. 

Literatur

  • Field, A.P. & Hole, G. (2003): How to design and report experiments. London: Sage.
  • Shadish, W.R., Cook, T.D. & Campbell, D.T. (2003): Experimental and Quasi-Experimental Design for Generalized Causal Inference, Houghton-Mifflin.
  • Maxwell, S.E. & Delaney, H.D. (2004): Designing Experiments and Analyzing Data: A Model Comparison Perspective (2nd ed). Lawrence Erlbaum: Mahwah, NJ.
  • Williams, L.J., Krishnan, A. & Abdi, H. (2009): Experimental Design and Analysis for Psychology, Oxford University Press.
  • Seltman, H.D. (2012): Experimental Design and Analysis, www.stat.cmu.edu/~hseltman/309/Book/Book.pdf